Qué pasó

El inmunólogo Derya Unutmaz, profesor en The Jackson Laboratory y la Universidad de Connecticut, reabrió en 2025 un experimento que su equipo había dejado aparcado en 2022, según OpenAI. El problema original era específico: entender cómo la glucosa afecta a la especialización de las células T, un tipo de glóbulo blanco que coordina la respuesta inmunitaria frente a virus, cáncer y enfermedades autoinmunes.

El experimento exponía células T tempranas a dos condiciones: baja concentración de glucosa y desoxiglucosa, una molécula que interfiere con la capacidad de la célula para usar glucosa. El equipo esperaba resultados similares en ambos casos, ya que en las dos situaciones la energía disponible para la célula estaba limitada. Pero los resultados fueron distintos: las células expuestas a desoxiglucosa se especializaron mayoritariamente en Th17, un tipo de célula T implicada en la respuesta inflamatoria, mientras que en el entorno de baja glucosa la proporción de Th17 fue mucho menor.

El efecto persistía incluso después de eliminar la desoxiglucosa, lo que indicaba que no se trataba solo de una cuestión energética. Unutmaz y su equipo no lograron explicar el mecanismo y archivaron el experimento.

En 2025, con la llegada de GPT-5 Pro, Unutmaz decidió reintroducir los datos en el modelo, según OpenAI. La propuesta de GPT-5 fue que la desoxiglucosa interfiere con la síntesis de IL-2, una proteína que normalmente impide que las células T se conviertan en Th17. Es decir, la desoxiglucosa eliminaba una barrera que frenaba la diferenciación hacia Th17. Según Unutmaz, esta explicación retrospectiva encajaba con los datos, pero estaba fuera de su área de especialización y nadie en su laboratorio la había identificado.

Posteriormente, Unutmaz probó si GPT-5 podía predecir el resultado de un experimento ya realizado: células CD8+ (un subtipo de célula T) contra un tipo de linfoma. El experimento real mostraba que esas células CD8+ tenían una capacidad mejorada de eliminar células del linfoma. Según OpenAI, GPT-5 reprodujo correctamente la predicción, a pesar de que los resultados no habían sido publicados.

Por qué importa

Según Unutmaz, este caso sugiere que los modelos de lenguaje podrían funcionar como colaboradores en la identificación de mecanismos biológicos que los investigadores no logran conectar por sí solos, especialmente cuando el problema cruza áreas de especialización distintas. La utilidad concreta estaría en acelerar la formulación de hipótesis y la selección de experimentos, reduciendo semanas o meses de trabajo exploratorio.

Sin embargo, el propio Unutmaz señala que la experiencia del investigador sigue siendo imprescindible: sin conocimiento previo del dominio, no habría podido valorar si la hipótesis de GPT-5 sobre IL-2 y Th17 era relevante o no. La modelo aporta una capacidad de síntesis y conexión que complementa el criterio humano, pero no lo sustituye.

Un aspecto que OpenAI incluye en su artículo es el riesgo de bioseguridad: estas mismas capacidades podrían facilitar el diseño o uso irresponsable de agentes biológicos o químicos. OpenAI apunta a su Preparedness Framework como mecanismo de control frente a estos riesgos.

Lo que no sabemos

Sin revisión por pares: la hipótesis de GPT-5 sobre el mecanismo IL-2 / Th17 no ha sido publicada ni revisada por otros científicos de forma independiente.

Caso individual: se trata de un único investigador y un único modelo. No está claro si el mismo enfoque funcionaría con otros investigadores, otros modelos o en otros contextos biológicos.

Sin validación experimental externa: la predicción sobre CD8+ y linfoma fue verificada por el mismo equipo que generó los datos. No hay replicación independiente.

Límites del modelo: Unutmaz describe el resultado como “remarkable insight”, pero el artículo original no detalla qué partes de la hipótesis se confirmaron experimentalmente y cuáles siguen siendo interpretación del modelo.

Fuente

OpenAI — How GPT-5 helped immunologist Derya Unutmaz solve a 3-year-old mystery